クイックスタートガイド

5分でラマン分光分析アプリケーションを使い始めましょう。

📋 前提条件

始める前に、以下を確認してください：

  • ✅ アプリケーションがインストールされている（インストールガイド参照）

  • ✅ CSV形式のラマンスペクトルデータがある

  • ✅ サンプルラベル（オプション、分類用）

🚀 5分間チュートリアル

ステップ1: アプリケーションを起動（30秒）

実行可能ファイル（Windows）:

  • RamanApp.exe をダブルクリック

Pythonから:

python main.py

アプリケーションのホーム画面が表示されます。

ステップ2: データをインポート（1分）

  1. データパッケージタブをクリック

  2. **「ファイルをインポート」**ボタンをクリック

  3. CSVファイルを選択

  4. データをプレビューして**「ロード」**をクリック

期待されるCSVフォーマット:

Wavenumber,Sample1,Sample2,Sample3
400,0.12,0.15,0.11
401,0.14,0.16,0.13
402,0.13,0.14,0.12
...

✅ 成功: スペクトルが表にロードされます

ステップ3: 前処理を適用（2分）

  1. 前処理タブに移動

  2. **「ステップを追加」**をクリック

  3. 「AsLS」（ベースライン補正）を選択

  4. デフォルトパラメータを使用（lambda=100000、p=0.01）

  5. **「ステップを追加」**をもう一度クリック

  6. 「ベクトルノルム」（正規化）を選択

  7. **「適用」**をクリック

プレビュー:

  • 元のスペクトル（青）と処理済みスペクトル（緑）が表示されます

  • ベースラインが除去され、正規化されたスペクトルが確認できます

✅ 成功: スペクトルが前処理されました

ステップ4: データを分析（1.5分）

  1. 分析タブに移動

  2. **「PCA」**を選択

  3. 成分数: 2を設定

  4. **「実行」**をクリック

結果:

  • スコアプロット: データの2D投影

  • 説明分散: 各成分が説明する分散

  • ローディング: 各波数の寄与

✅ 成功: データが分析されました

ステップ5: 結果をエクスポート（30秒）

  1. **「結果をエクスポート」**ボタンをクリック

  2. フォーマットを選択（CSV、Excel（.xlsx）、JSON、TXT、PKL）

  3. 場所を選択して**「保存」**をクリック

✅ 完了: 最初の分析が完了しました！🎉

📊 視覚的ワークフロー

┌─────────────┐
│ データ      │
│ インポート  │ → CSVファイルをロード
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 前処理      │
│ パイプライン │ → ベースライン補正 + 正規化
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 分析        │
│ (PCA)       │ → 次元削減と可視化
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 結果        │
│ エクスポート │ → CSV/Excel/画像
└─────────────┘

💡 次のステップ

基本を習得したら、以下を探索してください：

中級機能

グループ比較:

1. データパッケージ → グループを作成
2. サンプルをグループに割り当て
3. 分析 → 「統計検定」
4. ANOVA またはt検定を選択

高度な前処理:

パイプラインに追加:
- Savitzky-Golayスムージング（ノイズ除去）
- 一次微分（ピーク分解能の向上）
- SNV（散乱補正）

機械学習:

1. ラベル付きデータをロード
2. 機械学習タブに移動
3. アルゴリズムを選択（SVM、Random Forest）
4. モデルをトレーニング
5. パフォーマンスを評価

チュートリアル

  • はじめに - セットアップと最初の分析の流れ

🎯 一般的なワークフロー

ワークフロー1: 探索的分析

# 目的: データ構造を理解する

1. データをインポート
2. 基本的な前処理を適用:
   - AsLS（ベースライン）
   - ベクトルノルム（正規化）
3. PCAを実行（n_components=2）
4. スコアプロットで外れ値を確認
5. 必要に応じてグループ化

所要時間: 5-10分

ワークフロー2: グループ比較

# 目的: グループ間の差異をテストする

1. データをインポートしてグループ化
2. 前処理パイプライン:
   - AsLS + SNV + Savitzky-Golay
3. 統計検定を実行:
   - 2グループ: t検定
   - 3+グループ: ANOVA
4. 有意な波数を特定
5. 結果をエクスポート

所要時間: 10-15分

ワークフロー3: 分類モデル

# 目的: 予測モデルを構築する

1. ラベル付きデータをロード
2. 前処理を最適化:
   - ベースライン補正
   - 正規化
   - 微分（オプション）
3. 機械学習:
   - アルゴリズムを選択（Random Forest推奨）
   - クロスバリデーションでトレーニング
   - テストセットで評価
4. 混同行列を確認
5. モデルを保存

所要時間: 15-20分

🔑 キーコンセプト

スペクトルデータ

構造:

  • X軸: 波数（cm⁻¹）

  • Y軸: 強度（任意単位）

  • 各列: 1つのスペクトル/サンプル

品質チェック:

✓ 波数範囲が一貫している
✓ ベースラインドリフトなし
✓ ノイズが最小限
✓ ピークが見える

前処理

目的: スペクトルを標準化し、品質を改善

一般的なステップ:

  1. ベースライン補正 → ドリフトを除去

  2. スムージング → ノイズを減少

  3. 正規化 → スケールを標準化

  4. 微分 → ピーク分解能を向上（オプション）

分析手法

手法

目的

出力

PCA

次元削減

スコア、ローディング

クラスタリング

グループ発見

クラスタラベル

統計検定

グループ比較

p値、効果量

機械学習

分類

予測、精度

⚙️ 推奨設定

初心者向け

前処理パイプライン:

1. AsLS (lambda=100000, p=0.01)
2. Savitzky-Golay (window=11, polyorder=3)
3. ベクトルノルム

分析:

- PCA (n_components=2)
- K-means (n_clusters=2または3)

上級者向け

前処理パイプライン:

1. AirPLS (lambda=100, porder=1)
2. SNV
3. 一次微分 (Savitzky-Golay, deriv=1)
4. 分位点正規化

分析:

- UMAP (n_neighbors=15, min_dist=0.1)
- 階層的クラスタリング (linkage='ward')
- Random Forest (n_estimators=100)

🐛 一般的な問題

問題: データがロードされない

原因: CSVフォーマットが正しくない

解決策:

  1. ヘッダー行（波数と列名）があることを確認

  2. 数値データのみ（テキストや空のセルなし）

  3. カンマ区切りを使用

問題: 前処理結果が悪い

原因: パラメータが最適でない

解決策:

  1. プレビューを使用してパラメータを調整

  2. より小さいlambdaから始める

  3. スムージングウィンドウサイズを試す

  4. 前処理ガイドを確認

問題: PCAの説明分散が低い

原因: データの分散が高い、または多くのノイズ

解決策:

  1. より多くの成分を使用（例: 5-10）

  2. 前処理を改善

  3. 外れ値を除去

  4. UMAPを試す（非線形削減）

問題: 機械学習の精度が低い

原因: 不十分な前処理またはモデル選択

解決策:

  1. 前処理パイプラインを最適化

  2. 異なるアルゴリズムを試す

  3. ハイパーパラメータをチューニング

  4. トレーニングデータを増やす

  5. 特徴量の重要度を確認

📖 学習リソース

ドキュメント

チュートリアル

  • はじめに - セットアップと最初の分析の流れ

サンプルデータ

組み込みサンプル:

ホーム → 「サンプルデータをロード」

ダウンロード:

  • （準備中）

💬 ヘルプが必要ですか？

サポートオプション

ドキュメント:

コミュニティ:

ヒント: 質問する際は以下を含めてください：

  • 実行している操作

  • エラーメッセージ（ある場合）

  • スクリーンショット（該当する場合）

  • アプリケーションのバージョン

🎓 次のステップ

クイックスタートを完了したら：

  1. はじめにを読む - セットアップと全体像

  2. 前処理ガイドを探索 - すべての手法を学ぶ

  3. 自分のデータで練習 - 実際のスペクトルで試す

  4. 高度な機能を試す - 機械学習とカスタムパイプライン

  5. フィードバックを共有 - 改善にご協力ください！

🌟 ベストプラクティス

データ管理

  • ✅ 元のデータのバックアップを保持

  • ✅ 説明的なファイル名を使用

  • ✅ サンプルを整理してラベル付け

  • ✅ 定期的にプロジェクトを保存

前処理

  • ✅ 小規模なテストで開始

  • ✅ プレビューを使用してパラメータを検証

  • ✅ パイプラインテンプレートを保存

  • ✅ 処理手順を文書化

分析

  • ✅ 探索的分析から始める（PCA）

  • ✅ 結果を視覚的に検証

  • ✅ 複数の手法を比較

  • ✅ 結果を保存してエクスポート

機械学習

  • ✅ データを分割（トレーニング/テスト）

  • ✅ クロスバリデーションを使用

  • ✅ 複数のメトリクスを評価

  • ✅ モデルと設定を保存

準備完了です！ 🚀

これでアプリケーションの使用準備が整いました。データの分析を楽しんでください！

質問がある場合は、ドキュメントを参照するか、GitHub Discussions をご利用ください： https://github.com/zerozedsc/Raman-Spectroscopy-Analysis-Application/discussions

最終更新: 2026年1月24日